在煤矿巷道掘进过程中,全断面隧道掘进机(TBM)的掘进路径可能会因环境的不确定性和复杂性而偏离预定轴线。为了提升TBM位姿预测的准确性,提出了一种基于优化深度学习算法的TBM掘进位姿预测模型, 对收集的TBM 掘进参数进行数据提取与清洗,利用卷积神经网络(CNN)提取数据的空间特征, 利用双向长短期记忆网络(BiLSTM)学习数据的时间依赖关系。为进一步优化模型性能,采用融合正余弦和柯西变异的麻雀优化算法(SCSSA)优化CNN-BiLSTM 模型的超参数。结果表明,优化后的模型在多个误差指标上表现显著提升,包括平均绝对误差(MAE)、平均绝对百分比误差(MAPE)、均方误差(MSE)和均方根误差(RMSE),同时相关系数(R)和决定系数(R2)等性能指标也有所提高。具体来说,SCSSA-CNN-BiLSTM模型在预测TBM掘进的滚动角、俯仰角、方位角和水平偏差等位姿参数时,决定系数R2可以达到0.9982、0.9944、0.9936和0.9865,验证了该模型在煤矿巷道TBM掘进位姿预测中的高效性和准确性。